AR(1) modelini uydurma

ACF ve PACF çiftini, bir ARMA modelinin \(p\) ve \(q\) mertebelerini belirlemeye yardımcı olmak için kullandığını unutma. Aşağıdaki tablo sonuçların özetidir:

	AR(\(p\))	MA(\(q\))	ARMA(\(p,q\))
ACF	Yavaşça sönümlenir	Gecikme \(q\)'den sonra kesilir	Yavaşça sönümlenir
PACF	Gecikme \(p\)'den sonra kesilir	Yavaşça sönümlenir	Yavaşça sönümlenir

Bu egzersizde, AR(1) modelinden veri üreteceksin: $$X_t = .9 X_{t-1} + W_t,$$ simüle edilen veriye ve örnek ACF-PACF çiftine bakarak mertebeyi belirleyeceksin. Sonrasında modeli uydurup, tahmin edilen parametreleri gerçek parametrelerle karşılaştıracaksın.

Kurs boyunca, modellere kolayca uyum sağlamak için astsa paketindeki sarima() fonksiyonunu kullanacaksın. Bu komut, artık daha sonra bölümde ele alacağımız tanı grafiğini üretir; şimdilik bunu görmezden gelebilirsin.

Bu egzersiz

R ile ARIMA Modelleri

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

astsa paketi önceden yüklüdür.
AR parametresi .9 olan bir AR(1) modelinden 100 gözlem üretmek için önceden yazılmış arima.sim() komutunu kullan. Bunu x olarak kaydet.
Üretilen veriyi plot() ile görselleştir.
Örnek ACF ve PACF çiftlerini astsa paketindeki acf2() komutuyla çiz.
Daha önce üretilen veriye AR(1) uydurmak için astsa içinden sarima()yı kullan. t-tablosunu incele ve tahminleri gerçek değerlerle karşılaştır. Örneğin, zaman serisi x içindeyse, verilere AR(1) uydurmak için sarima(x, p = 1, d = 0, q = 0) ya da kısaca sarima(x, 1, 0, 0) kullan.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Generate 100 observations from the AR(1) model
x <- arima.sim(model = list(order = c(1, 0, 0), ar = .9), n = 100) 

# Plot the generated data 


# Plot the sample P/ACF pair


# Fit an AR(1) to the data and examine the t-table

Kodu Düzenle ve Çalıştır

Bu egzersiz

R ile ARIMA Modelleri

kursunun bir parçasıdır

InicianteNível de habilidade

4.9+

Kursa Ücretsiz Başlayın

You will investigate the nature of time series data and learn the basics of ARMA models that can explain the behavior of such data. You will learn the basic R commands needed to help set up raw time series data to a form that can be analyzed using ARMA models.

Exercise 1: First things first Exercise 2: Data play Exercise 3: Elements of time series Exercise 4: Stationarity and nonstationarity Exercise 5: Differencing Exercise 6: Detrending data Exercise 7: Dealing with trend and heteroscedasticity Exercise 8: Stationary time series: ARMA Exercise 9: Simulating ARMA models

You will discover the wonderful world of ARMA models and how to fit these models to time series data. You will learn how to identify a model, how to choose the correct model, and how to verify a model once you fit it to data. You will learn how to use R time series commands from the stats and astsa packages.

Exercise 1: AR ve MA modelleri Exercise 2: AR(1) modelini uydurma

Geçerli Egzersiz

Exercise 3: AR(2) modeli uydurma Exercise 4: MA(1) modeli uydurma Exercise 5: AR ve MA birlikte Exercise 6: Bir ARMA modelini uydurma Exercise 7: Bir ARMA modeli belirle Exercise 8: Model seçimi ve artık analizı Exercise 9: Model seçimi - I Exercise 10: Model seçimi - II Exercise 11: Artık analizleri - I Exercise 12: Artık analizleri - II Exercise 13: ARMA devreye giriyor

Now that you know how to fit ARMA models to stationary time series, you will learn about integrated ARMA (ARIMA) models for nonstationary time series. You will fit the models to real data using R time series commands from the stats and astsa packages.

Exercise 1: ARIMA - integrated ARMA Exercise 2: ARIMA - plug and play Exercise 3: Simulated ARIMA Exercise 4: Global warming Exercise 5: ARIMA diagnostics Exercise 6: Diagnostics - simulated overfitting Exercise 7: Diagnostics - global temperatures Exercise 8: Forecasting ARIMA Exercise 9: Forecasting simulated ARIMA Exercise 10: Forecasting global temperatures

You will learn how to fit and forecast seasonal time series data using seasonal ARIMA models. This is accomplished using what you learned in the previous chapters and by learning how to extend the R time series commands available in the stats and astsa packages.

Exercise 1: Pure seasonal models Exercise 2: P/ACF of pure seasonal models Exercise 3: Fit a pure seasonal model Exercise 4: Mixed seasonal models Exercise 5: Fit a mixed seasonal model Exercise 6: Data analysis - unemployment I Exercise 7: Data analysis - unemployment II Exercise 8: Data analysis - commodity prices Exercise 9: Data analysis - birth rate Exercise 10: Forecasting seasonal ARIMA Exercise 11: Forecasting monthly unemployment Exercise 12: How hard is it to forecast commodity prices?Exercise 13: Congratulations!